Una de las ramas más importantes del Machine Learning y la Inteligencia Artificial son las redes neuronales. Las redes neuronales (neural networks) son una representación abstracta del comportamiento de una red neuronal biológica. Su contexto se remonta a 1943, año en el cual McCulloch y Pitts proponen el primer modelo neuronal, dicho modelo era un modelo binario, en el cual cada neurona tenía un escalón o umbral prefijado. De esta manera sirvió de base para los modelos posteriores.
Conceptos
Neurona biológica: Es una célula del sistema nervioso central que posee la capacidad de recibir y decodificar información en forma de señales eléctricas y químicas, transmitiéndolas a otras células.
Neurona artificial: Es la unidad básica de una red neuronal, tratan de imitar el funcionamiento de las neuronas de los organismos vivos.
Red Neuronal: Son un modelo inspirado en el comportamiento biológico. Consiste en un conjunto de neuronas artificiales, conectadas entre sí para transmitir señales.
Sus partes son:
Dendritas: Constituyen el canal de entrada de la información.
Sinapsis: Conexión entre neuronas.
Cuerpo celular (Soma): Es el órgano de cómputo.
Axón: Corresponde al canal de salida.
Redes neuronales
De acuerdo a su estructura las redes neuronales se clasifican en:
Redes monocapa: Compuestas por una única capa de neuronas.
Redes multicapa: Las neuronas se organizan en varias capas.
Estructura
Capas
Las redes neuronales están compuestas por capas de neuronas que se comunican entre si y es posible dividirlas de la siguiente manera:
Capa de entrada: Contiene todas nuestras entradas o datos de entrenamiento, estos contarán con pesos que permitirán expresar su importancia.
Capa oculta: Puede estar conformada a su vez por una o varias capas, el número de capas dependerá de qué tan sofisticado queremos nuestro modelo. Sin embargo, es necesario recalcar que mientras más capas se tengan necesitaremos más recursos como tiempo y poder computacional.
Capa de salida: Se encarga de entregar los resultados, puede contar con una o varias neuronas, dependerá del número de características que se desean llegar a encontrar.
Entradas, pesos, suma ponderada y salida
Entradas \((x_{j})\): Las entradas reciben los datos de otras neuronas.
Pesos sinápticos \((w_{ij})\): Se hace una asignación de pesos pequeños generados de forma aleatoria, en un rango de valores entre \(-0.5\) y \(0.5\) o algo similar.
Función base: Es una función que corresponde a una combinación lineal del conjunto de entradas y los pesos sinápticos. Es decir:
\[u_{i}(w,x)=\sum_{j=1}^{n}w_{ij}x_{j}\]
\(i=1,...,m\) \(j=1,...,n\)